分类算法常见的评估指标如下：
对于二类分类器/分类算法，评价指标主要有accuracy， [Precision，Recall，F-score，Pr曲线]，ROC-AUC曲线。
对于多类分类器/分类算法，评价指标主要有accuracy， [宏平均和微平均，F-score]。
对于回归预测类常见的评估指标如下:
平均绝对误差（Mean Absolute Error，MAE），均方误差（Mean Squared Error，MSE），平均绝对百分误差（Mean Absolute Percentage Error，MAPE），均方根误差（Root Mean Squared Error）， R2（R-Square）
做比赛的流程：先写baseline，然后在baseline上面改。
baseline构建流程：
1、导入数据
2、看shape、head()、info()、describe()。
简单的EDA，发现数据是否有异常、train和test的分布是否接近。分布一致的话，模型的泛化效果好。如果分布不一致，就要通过采样的方式，使训练集跟测试集分布一致。
3、特征工程
非数值列，需要做一些encoding。将数值类型的特征列名提取出来。由于是baseline，这里粗选了几个特征。后面需要做进一步的扩充。
4、缺失值填补
如果用线性回归、svm，需要全部填补，如果用xgb，可以不用填补。
5、查看标签的分布信息
train和test需要相似的分布
6、模型的训练和预测
a)可以利用xgb进行五折交叉验证查看模型的参数效果。可以手动调参试试看效果。
b)或者定义xgb和lgb两种模型，如果数据集小，或者时间充足，可以定义网格搜索的调参方式。然后直接split切分数据，一般0.2的测试集。分别使用xgb和lgb进行训练和预测。
7、模型融合
加权融合，误差小的权重大。还要再加上一个赋值处理，如果预测出来小于0，就给赋值10。
8、预测需要提交的数据
将数据格式要整理成规定的格式。
